Mein Fachgebiet ist die Verbraucherforschung. Ich habe sieben erklärende Variablen und eine Antwortvariable. Alle sind kategorisch.
Mein Ziel ist es, die Antwortvariable durch eine oder eine Kombination der erklärenden Variablen zu ersetzen.
Mein Ansatz:
- Führen Sie Kontingenzanalysen für jede der erklärenden Variablen mit der Antwort durch.
- Wählen Sie aus der Kontingenzanalyse die erklärende Variable mit dem höchsten R-Quadrat (U) aus. Da die Anzahl der Stufen unterschiedlich ist, halte ich Likelihood-Ratio- oder Pearson-Chi-Quadrat-Werte bei der Modellauswahl für ungeeignet.
- Verwenden Sie die Lambda- und Unsicherheitswerte aus der Tabelle „Assoziationsmaße“. Wählen Sie die erklärende Variable mit den höchsten Werten aus.
Nachfolgend finden Sie eine Zusammenfassung mit Beschreibung der Variablen und Ergebnisse der Kontingenzanalyse.
Variable # |
# Ebenen |
Rsq(U) |
LR-Chi-Quadrat |
Pearson Chi-Quadrat |
Lambda Asym (C|R, R|C) |
Lambda-Sym. |
Unsicherheitskoeffizient (C|R, R|C) |
Unsicherheitskoeffizient (Sym) |
A |
4 |
.08 |
248 |
268 |
.08, .13 |
.1 |
.08, .08 |
.08 |
B |
3 |
.02 |
76 |
75 |
.06, .02 |
.04 |
.02, .03 |
.03 |
C |
10 |
.04 |
136 |
153 |
.05, .04 |
.045 |
.04, .03 |
.034 |
D |
10 |
.31 |
961 |
1207 |
.33, .13 |
.22 |
.3, .2 |
.245 |
E |
18 |
.34 |
1056 |
1498 |
.34, .1 |
.21 |
.34, .19 |
.24 |
F |
40 |
.345 |
1084 |
1590 |
.34, .05 |
.17 |
.35, .15 |
.21 |
G |
6 |
.32 |
1000 |
1286 |
.35, .28 |
.31 |
.32, .26 |
.29 |
Die Antwortvariable hat 6 Ebenen.
Die Stufen der Variablen D, E, F und G sind nach aufsteigender Intensität sortiert. Es wird angenommen, dass die unteren und oberen Grenzen ähnlich sind.
Fragen:
- Ist der beschriebene Ansatz gültig?
- Kann ich eine der Variablen aus D, E, F, G (ich tendiere zu G) mit einer oder mehreren aus A, B, C kombinieren, um ein besseres Modell (d. h. einen besseren Ersatz für die Antwort) zu erhalten? Wenn ja, wie könnte dies geschehen und welche Metriken könnten zur Auswahl des besten Modells verwendet werden?
